原标题：IMLS-SLAM：基于scan-to-model方法的大场景3D激光SLAM

来源：自动驾驶之家        链接：http://www.heredrive.com/news/20191204/7131.html

论文题目：IMLS-SLAM: scan-to-model matching based on 3D data

IMSL-SLAM 和 IMSL-SLAM++是kitti数据集上仅次于LOAM的激光SLAM系统，虽然它有一个最大的缺点，就是不实时，而且时间确实非常慢（1.3s），但是作者也给出了这种不实时的原因，是可以改进的。更重要的是，论文里以IMLS曲面为基础进行的scan-to-model匹配方法是值得借鉴的，有必要进行了解，所以我们在这里一起探讨这篇论文。

一、整体思路

即使不看论文，我们也应该清楚，作为一个SLAM系统来讲，它的整体思路基本包含以下几方面：

1）处理点云。包括去畸变，移除离群点，高级点可以移除动态物体

2）对点云采样。一般都不会用全部点的，具体采样方法主要取决于自己的匹配方法

3）建立地图。可以是特征地图，可以是点云直接拼接的地图，也可以是曲面模型

4）匹配。把点云和地图进行匹配，更新位姿

5）更新地图。根据新的点云，对地图进行更新。更新频率和策略一般也取决于匹配方法

本文的SLAM方法作为SLAM的一种，自然也遵循这个规律。所以以上五点就是它的整体思路。

另外，以上五点是概括性的，包含了多种选择性，而本文的方法属于其中基于曲面的地图匹配方法，所以建立地图和地图更新就主要是曲面更新，匹配就主要是和曲面的数据关联以及优化。

下面对各个点分别介绍

二、实现方法

1.处理点云

这篇论文在处理点云上所加的措施是移除了一些离群点和动态物体。它所采用的做法是先提取地面，然后对剩下的点云聚类，小于一定尺寸的聚类（14m×14m×4m）就全部去掉。

好暴力啊！

这种自然能把移动物体去掉，正常交通路面上，能移动的物体一般也不会大于这个尺寸，但是这种宁可错杀一千也不放过一个的做法显得有点粗暴，周围点云少的时候，再错误去掉了一些非动态的点云，效果自然不会太好。

移除动态物体有很多方法，聚类是第一步，在聚类之后如果加上一些跟踪和判断，只移除真正运动的物体，会更合适一些。

2. 对点云采样

这一步比较有意思。

在以前的改进版ICP中，提取点的特征的时候往往都是先计算协方差矩阵，然后对矩阵计算特征值，根据特征值对特征分类，同时提取主轴方向，根据主轴方向和特征值进行点的筛选。

作者认为这样不好，值得拥有更好的。

他认为，首先主轴方向应该为车的方向，也就是雷达的方向，其次，提取点是为了匹配得到位姿，不同的点对位姿精度的贡献不一样，如果能直接提取出对位姿贡献大的点，那么不就既可以很大程度上减少点的数量，又可以取得很好的精度吗。

所以，这个问题就演变成了，怎样去判断哪些点对位姿精度贡献大，对算法来讲，就是设计一些指标，去把这些点筛选出来，下面这几个公式就是作者筛选的九个指标

关于这九个指标，作者的解释是前六个是点对姿态精度贡献的定量评价，后三个是对位置精度贡献的定量评价。至于为什么，我也没想太清楚，有没有大神指点下？

总之，作者对每个点都计算九个量，就得到了九列值，然后对这九列值排序，找出对位姿影响最大的那些点，就完成了筛选。

这里有一张图，展示它的筛选方法，其中红色的点就是筛选过的点。

3. 建立地图

首先，作者使用的地图是曲面地图，关于曲面地图的简介和历史，在以前介绍SuMa-SLAM的时候已经介绍过，这里给出链接，不再详述了。

激光SLAM|SuMa：基于Surfel地图的室外大场景SLAM

IMSL：《Provably good moving least squares》由于KinectFusion使用的TSDF曲面表示方法不适合大场景，所以使用了IMSL曲面表示方法。作者对这个方法并没有做什么改进，只是使用，所以我们给出文章题目，感兴趣的可以去看论文。

MSL：《Mesh-Independent Surface Interpolation》（IMSL的前身）

4. 匹配

毕竟scan-to-model嘛，所以就是scan和曲面地图之间做数据关联然后优化。

这里用三个公式来表示匹配原理

其中前两个是对点做映射，最后一个是根据位姿计算残差，有了残差去优化不就是修正误差，得到匹配的精确姿态了嘛

5. 更新地图

更新地图就是把原有地图章没有，而新的点云中有的东西加入地图中去。同时注意的是，为了匹配时和scan进行数据关联，要对地图进行KD树存储，目前的做法是每次更新完就重新建立KD树，显然这种做法比较耗计算量，这也是整个步骤中耗时最长的一步。所以设计增量式KD树是有必要的，即每次根据删除的老点和增加的新点更新KD树，而不是重新建。

三、实验效果

他和LOAM比，在他自己的实验中，性能是优于LOAM的，但是在kitti的榜单中，却落后于loam。而且还有一个现象，这里loam的指标和kitti榜单公布的指标是基本吻合的，而作者的SLAM在kitti上的指标却没有这个论文里的好，即使后来的改进版本IMSL-SLAM++也没达到这种水平。

经各位大佬的指点，原因可以归结为以下几方面：

1）kitti分训练集和测试集，榜单上是测试集的结果，论文中是训练集的结果，所以出现不一致的现象，而且一般训练集要比测试集精度高。

2）loam开源出来的是老版本，榜单上是新版本，做了很多改进，所以，如果loam新版本再用训练集做一次测试，精度会比表格中给出的要高很多。

四、关于效率

在效率方面，它的时间实在是太长，IMSL-SLAM是1.25S，IMSL-SLAM++是1.3S，在这一点上，作者也给出了自己的解释，主要包括两方面

1）他使用扫描的三维点云计算每次扫描的法向，而不是使用论文《Fast and accurate computation of surface normals from range images》中的方法，而后者比前者快17倍，至于为什么不用，他说是因为Kitti数据集只提供三维点云，而不提供原始激光雷达数据。这个理由略显牵强，而且这一步只消耗了0.2s，不是时间的大头

2）就是刚才提到的更新地图时KD树的事，这一步消耗1.0s，所以改进这一步去提高效率倒是可取的。

【来源：知乎】

一THE END一

免责声明：本文来自互联网新闻客户端自媒体，不代表本网的观点和立场。

合作及投稿邮箱：E-mail:editor@tusaishared.com